Moving Towards Measuring Spatial Hearing Using Consumer-grade Headband EEG
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Binaural hearing allows individuals to perceive the spatial location of sound sources, a process that engages multiple brain regions and allows for selective auditory attention while filtering out background noise and interference. Understanding the neural mechanisms underlying binaural processing requires a reliable method for capturing brain activity in response to binaural stimuli. While clinical-grade Electroencephalography (EEG) has proven a powerful tool for this task, it is only available in clinical labs and involves complex setup. This study investigates the feasibility of moving towards consumer-grade wearable biosensors for investigation of binaural hearing. Using the MUSE S headband as a representative of this family of devices, neural responses to binaural auditory stimuli are measured and compared against those of a clinical-grade EEG system. Participants completed a horizontal sound localization test while EEG data were recorded using both devices. Signal processing methods were applied to the resulting signals to evaluate the power of key frequency bands—specifically delta and alpha bands. Results demonstrate that, while the MUSE S reliably captures delta and alpha activity similar to a clinical EEG in its covered regions, limitations exist due to its sparse electrode placement, particularly in capturing spatial hearing components outside frontal and temporal regions. The findings highlight the potential of wearable sensors for accessible auditory testing while emphasizing the need for additional electrodes to enhance binaural hearing assessments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle